Neurónová sieť Pix2pix realisticky farbí náčrty ceruzou a čiernobiele fotografie. Aké zaujímavé detaily majú?

Stiahnite si plnú hru

Hrajte zadarmo s priamym odkazom pre Windows PC. je kurz, ktorý vám umožní vlastniť ho premeniť priamo na fotografickú studňu

Žáner(y): Simulácia

Popis: Rovnako ako v , je veľmi jednoduché používať pix2pix – stačí navrhnúť ľudskú tvár vo zvyšnom poli a potom kliknúť na „Spracovať“, aby ste určili, čo vytvorí pomocou zázraku iných technických mágií a výpočtov. Nemusíte byť umelcom, aby ste sa mohli baviť pomocou generátora fotografií pix2pix, hoci čím popisnú kresbu vytvoríte, tým je pravdepodobnejšie, že sa z nej stane niečo, čo bude pripomínať skutočného jednotlivca. Skutočný pôžitok pramení z hľadania, aké znetvorené príšernosti vytvárať, a hrania sa s rôznymi typmi náčrtov.

Pix2pix je kurz, ktorý vám umožní vlastniť ho premeniť priamo na fotografickú studňu a vytiahnuť čokoľvek do nádoby, kúzlo. V súčasnosti existuje a typ webovej stránky je najpozoruhodnejšia a najstrašidelnejšia vec, ktorú som dnes videl.

Úloha strojového učenia Tensorflow spoločnosti Google s otvoreným zdrojovým kódom sa s najväčšou pravdepodobnosťou vždy používa na užitočné položky, ktoré posúvajú dôvod niečoho alebo ľudstva. Podľa mojich vedomostí sa však lepšie využil na vytváranie strašidelných obrázkov vyrobených z áut z jednoduchých kresieb. Hovorím o edge2cats, ktorý premenil akúkoľvek perokresbu na mačku. Bola to celá vec! Každý dúfal, že na Facebooku zverejňuje obrázky skutočne bláznivých mačiek, aby sa na nich ostatní zasmiali.

Stalo sa to isté, ibaže dnes to nie sú mačky. A namiesto úlohy spoločnosti Google, jej programu umelej inteligencie, ktorý práve dostal veľké množstvo obrázkov 1 z jej ukotvených, bola Lara Rense produkovaná holandským verejným vysielateľom NPO. Sieťový softvér je známy ako Pix2Pix z bežné znalosti protetiky Tumblr.

Zdá sa, že výsledky vyzerajú hlavne ako stvorenia, najmä zviera s prasaťom z prvej sezóny American Horror Story. Tiež palec hore. Myslite na kožušníka snov od Googlu.

Stačí potiahnuť čmáranicu za jeden diel, stlačiť spínač a dostanete „fotku“ dizajnu o inom, zošitú ako zmes vytvorenú zo skutočných obrázkov hotového, ktorý kreslíte. Podobnosť... nie je zlá.

Plná verzia tohto blogu. na mieste. hra bez chýb a chýb. Zverejnili sme priame odkazy na stiahnutie tejto hry pre PC (osobný počítač) bez nákladov (100% zadarmo). Najnovšia a aktualizovaná hra od vydavateľov je uvedená tu. vo vysoko komprimovanej forme bez vírusov. hru odtiaľto.. Nainštalujte ju s použitím odporúčaných nastavení. Užite si hranie tejto úžasnej hry zadarmo na vašom PC. Zdielať s priateľmi. Niektoré funkcie a snímky obrazovky z hry sú uvedené nižšie.

Hra Pix2pix

Systémové požiadavky Pix2pix

Požiadavky na tento herný systém sú popísané v obsahu nižšie. S týmito špecifikáciami hra pobeží hladko a grafika by bola krištáľovo čistá. Stroj (CPU) lepší ako tieto špecifikácie je najvýhodnejší.

Minimálne systémové požiadavky:

OS: Vista/Win7/Windows 8
Procesor: 2 GHz dvojjadrový
Pamäť: 2 GB RAM
Grafika: NVIDIA GeForce 8600 alebo lepšia, ATI Radeon HD 2600 alebo lepšia
DirectX: 9.0c

1. Extrahujte s najnovšou verziou WinRAR.
2. Nainštalujte súbor setup.exe.
3. Počkajte, kým bude hotovo.
4. Hrať hru.
5. Užite si to.

Poznámka: Podporte vývojárov softvéru. Ak sa vám táto hra páči, kúpte si ju! Ďakujem mnohokrát.

Odkazy boli zhromaždené z rôznych hostiteľov súborov (ako Mega, Disk Google, Userscloud, Users files, Zxcfiles, Kumpulbagi, Clicknupload, Obrovské súbory, Rapidgator, Uploaded, Up07, Uptobox, Uploadrocket a ďalšie odkazy na rýchle priame sťahovanie). Poskytujeme tiež torrent a FTP odkazy, ktoré majú spoľahlivú rýchlosť sťahovania. Ak ste si všimli nejaký problém v odkaze alebo v súbore, ktorý sťahujete, ihneď nás informujte, aby sme to mohli čo najskôr opraviť. Dúfame, že táto hra bude na vašom systéme fungovať dobre s vyššie uvedenými špecifikáciami. Ak nemáte špecifikácie systém Ak chcete hrať túto hru, najprv inovujte, inak to nebude fungovať správne. Priame odkazy na stiahnutie tejto hry sú uvedené nižšie. plná a úplná hra. Stačí stiahnuť a začať hrať. Ďakujeme, že ste si pozreli našu prácu!

je úžasná aplikácia, ktorá dokáže premeniť obyčajné kresby na realistické maľby veľkých majstrov umenia. Tento malý nástroj pre Android vás môže naučiť krásne kresliť, aj keď ste sa nikdy nepovažovali za umelca a ani neviete, ako správne držať štetec. Teraz stačí na obrazovke znázorniť ľubovoľné čmáranice, počkať pár sekúnd a žasnúť nad výsledným majstrovským dielom.

Aj keď je systém Pix2Pix stále nedokonalý, pretože ide len o druhú verziu aplikácie, aj teraz vás môže program veľmi prekvapiť. Vývoj je založený na už trochu známej technológii úpravy obrazu pomocou neurónových sietí. Pravdepodobne ste už mohli vidieť, aké zázraky dokáže Prism or. Teraz však máme pred sebou úplne mimoriadny produkt, ktorý sa nepodobá žiadnemu inému. Len si predstavte - kreslíte nejakú mačku alebo dokonca svojho suseda na stole a v skutočnosti sa nesnažíte, ale Pix2px premení vaše čmáranice na úžasné majstrovské diela. Možno, keby sa tento mobilný program objavil oveľa skôr, Picasso by sa mu páčil! Ale len my máme šťastie, pretože len my moderných ľudí, dostal jedinečná šanca využívať mobilné technológie naplno. Inovujte svoj smartfón alebo tablet práve teraz, pridajte úžasná príležitosť premeňte kresbu na maľbu a svojimi novými schopnosťami určite ohromíte všetkých svojich priateľov!

Ako používať Pix2Pix v systéme Android:

Nenechajte sa odradiť, ak na prvýkrát nezískate dokonalý obraz. Aplikácia bola pôvodne navrhnutá tak, aby vás jednoducho rozveselila. Možno vývojár ešte nedotiahol svoj výtvor k dokonalosti a má na čom pracovať, ale vy a vaši priatelia sa nikdy nebudete nudiť. Odporúčame preto nehodnotiť program príliš vážne stiahnite si Pix2Pix pre zábavu. S trochou praxe môžete vytvoriť skutočne magické majstrovské dielo, ale niekedy sa chcete len baviť. Nepopierajte si potešenie, hrajte sa, žartujte a získajte iba pozitívne emócie z tejto nezvyčajnej aplikácie!

Zrieknutie sa zodpovednosti: príspevok bol napísaný na základe upravených protokolov chatu zo stránky closedcircles.com, preto štýl prezentácie a objasňujúce otázky

Toto všetko je implementáciou dokumentu Image-to-Image Translation with Conditional Adversarial Networks od Berkeley AI Research.

Ako to teda celé funguje?

V papieri ľudia riešia problém premeny obrázka na iný, aby človek nepotreboval vymýšľať stratovú funkciu.

Jedným z hlavných problémov s neurónovými sieťami pri generovaní obrázkov je, že ak použijete ako stratu len priemerný rozdiel v pixeloch, napríklad L1 alebo L2 (aka stredná štvorcová chyba), potom má sieť tendenciu spriemerovať všetko. možné možnosti. Ak je vo výslednom obrázku určitá neistota - napríklad hrana môže byť v inej polohe alebo farba môže byť v určitom rozsahu, potom optimálny výsledok z hľadiska straty L2 je niečo medzi všetkými možnými prípady, a nie žiadny konkrétny.

Preto sa obrázky ukážu ako veľmi rozmazané škvrny.

Pri rôznych individuálnych úlohách si ľudia vymýšľali ďalšie stratové funkcie, aby vyjadrili určitú štruktúru, ktorá by mala byť vo výslednom obrázku (na segmentáciu sa skúšalo pridať napríklad podmienené náhodné polia atď. atď.), ale toto všetko pomáha veľmi postupne a je veľmi závislé od úlohy.

No, podľa nových trendov, noviny zapájajú GAN (Generative Adversarial Network) ako takú dodatočnú stratu voči L1. (o GAN si môžete prečítať na Habré a)

Všeobecná schéma majú toto:

Generátor dostane ako vstup vstupný obrázok – je to dodatočná podmienka toho, čo je potrebné vygenerovať. Na jeho základe by mal generátor vygenerovať výstupný obraz.

Diskriminátor dostane vstupný obrázok aj to, čo generátor vygeneroval (alebo v prípade pozitívnych príkladov skutočný pár z trénovacieho súboru údajov), a musí povedať, či je vygenerovaný obrázok skutočný alebo vygenerovaný. Ak teda generátor generuje obrázok, ktorý nesúvisí so vstupom, diskriminátor to musí zistiť a zahodiť.

Generátor je výsledkom iteračného tréningu tejto dvojice sietí.

Vo všeobecnosti ide o štandardný prístup podmienených GAN - variant GAN, kde model musí generovať obrázky zodpovedajúce dodatočnému vektoru vstupnej triedy.

Iba tu je vektorom vstupnej triedy obrázok a celková strata je strata GAN + L1.

V zmysle „nahodiť GAN“ v rámci diskusie o stratách Ako pridať generátor a vyriešiť problém s nájdením minimaxu?
No áno.

Zapnuté vysoký stupeň Všetky!

Aké zaujímavé detaily majú?

Na rozdiel od klasického prístupu ku GAN sa do generátora neprenáša žiadny šumový vektor.
Všetka rozmanitosť je len preto, že sieť vypadáva a po tréningu ju nevypínajú.

• Sieťová architektúra - U-Net, pomerne nová architektúra pre segmentáciu, ktorá má veľa preskakovacích pripojení z kodéra k dekodéru (tu je krátky popis)

Tu je obrázok, ktorý ukazuje, že strata GAN aj U-net pomáhajú.


Tu je mimochodom jasne viditeľný počiatočný problém s použitím iba straty L1 - aj výkonný model generuje rozmazané miesta, aby sa minimalizovala priemerná odchýlka.

• Trénujú model na záplatách 70x70 a potom ho aplikujú na veľké obrázky pomocou úplnej konvolúcie. Je smiešne, že 70x70 dáva v priemere lepšie výsledky ako robiť celý obrázok 256x256 naraz.

Kde sú mačky!!!

Potom je tu systém, ktorý sa dá trénovať na ľubovoľných vstupoch a výstupoch, aj keď sú z úplne iných problémov.


Od segmentácie po fotografiu, od dennej po nočnú fotografiu, od čiernobielej po farebnú atď.

A tu je posledný príklad - od okrajov k obrázku. Hrany na obrázku sú generované štandardným algoritmom z počítačového videnia.

To znamená, že môžete jednoducho nasnímať sadu obrázkov, spustiť detekciu hrán a na týchto pároch
vlak. Možno vykonať aj na mačkách:

A potom môže model generovať niečo pre akékoľvek náčrty, ktoré ľudia nakreslia.

(mimochodom, pošlite mi, čo si pamätáte)

Tak bol nedostatok chlebových mačiek medzi ľudstvom odstránený!

Celkovo je táto práca ďalším príkladom toho, ako sa siete GAN od minulého roka rozbehli. Ukazuje sa, že ide o veľmi výkonný a flexibilný nástroj, ktorý ako cieľ optimalizácie vyjadruje „chcem, aby to bolo na nerozoznanie od skutočnej veci, aj keď neviem, čo to presne znamená“.
Dúfajme, že niekto napíše úplnú recenziu všetkého ostatného, ​​čo sa deje v tejto oblasti! Všetko je tam veľmi cool.

Ďakujem za tvoju pozornosť.

Algoritmus pix2pix sa naučil rozpoznávať ľudí v náčrtoch a premeniť ich na „realistický“ obraz. Ukazuje sa, skôr nie príliš realistické - ale veľmi strašidelné. Toto nie je prvý algoritmus projektu: pred niekoľkými mesiacmi sa už na internete kreslili škaredé mačky pomocou pix2pix. Ani tentoraz sme neodolali.

"Nový pix2pix pre tváre (obrázky nie sú moje, importoval som ich pomocou programu tretej strany)."

Je pravda, že ak nie je skica vykonaná brilantne, algoritmus vytvára obrázky, ktoré možno len ťažko nazvať realistickými - skôr nočnou morou. A presvedčili sa o tom aj užívatelia Twitteru, ktorí novej zábave neodolali. Nedopadlo to veľmi dobre.

Rozhodol som sa použiť tú pix2pix vec a nakresliť do nich nejaké kreslené postavičky a výsledky sú desivejšie, ako som si myslel, že dostanem pic.twitter.com/i3PatUtuEu

„Rozhodol som sa použiť tento pix2pix a nakreslil som doň nejaké kreslené postavičky. Výsledky sú hroznejšie, ako som očakával."

"Hlboko znepokojujúce."

"Chcel som vytvoriť "strašidelné rybie monštrum", ale neurónová sieť pix2pix mi urobila niečo lepšie a dala mu účes ako člen chlapčenskej skupiny."

"Trochu strašidelné..."

"Toto je hrózne!"

Ani smutné výsledky však nemôžu odradiť používateľov Twitteru od kreativity.

"Viac zábavy!"

“Milujte tento nástroj!”

"Chlapík č. 3 vyzerá dobre."

"Pôsobivý generátor tvárí z náčrtov."

Projekt pix2pix sa preslávil pred pár mesiacmi vďaka svojmu algoritmu, ktorý na základe neurónových sietí premieňal ručne kreslené mačky na „realistické“. No realisticky vyzerala len mačka, ktorú nakreslili samotní tvorcovia. To, čo však v aplikácii robili bežní používatelia, vyzeralo oveľa viac ako kožušinové príšery než mačky v bežnom zmysle slova.

„Pozri moju mačku. Každý môže byť umelcom."

Rozsah neurónových sietí je pôsobivý, a preto sa používajú na vážnejšie veci, ako je kreslenie hororových príbehov. Napríklad porno stránky nedávno spustili službu, ktorá . Podľa výsledku sa však tento algoritmus ešte musí učiť a učiť sa. Prečo by inak porovnával Elenu Mizulinovú s Brooklyn Chase?